Modèle de pondération

L`analyse nécessite une évaluation de la compétence du modèle et une estimation des relations intermodèles — pour laquelle la différence quadratique moyenne intermodèle est prise comme un proxy. Les données de modèle et d`observation utilisées ici sont pour les États-Unis contigus, et la plupart du Canada, en utilisant des données à haute résolution lorsqu`elles sont disponibles. Les distances intermodaux sont calculées en tant que différences carrées moyennes de racines simples. Les données proviennent d`un certain nombre de champs d`état moyen et d`un certain nombre de champs qui représentent un comportement extrême — ceux-ci sont répertoriés dans le tableau B. 1. Tous les champs sont masqués pour ne contenir que des informations provenant de CONUS/Canada. Les projections du changement de précipitations sur l`Amérique du Nord en 2080 – 2100, par rapport à 1980 – 2000 dans le scénario plus élevé (RCP 8.5). a) montre la moyenne multimodèle CMIP5 simple non pondérée, en utilisant la méthodologie de signification de IPCC9; b) montre les résultats pondérés comme indiqué à la section 3 pour les modèles pondérés par unicité uniquement; et (c) montre des résultats pondérés pour les modèles pondérés à la fois par leur unicité et leur habileté. (Source de la figure: Sanderson et al. 20172). Dans la théorie des décisions, le modèle de la somme pondérée (WSM) [1] [2] est la méthode de prise de décision multi-critères la plus connue et la plus simple (MCDA)/multi-critères pour évaluer un certain nombre de solutions de rechange en fonction d`un certain nombre de critères de décision. Notre méthodologie est basée sur les concepts décrits dans Sanderson et al.

2015, 1 et l`application spécifique à la NCA4 est également décrite dans ce document. L`approche produit un ensemble unique de poids de modèle qui peut être utilisé pour combiner les projections en un résultat moyen pondéré, avec des estimations de signification qui traitent également la pondération de manière appropriée. L`erreur quadratique moyenne (RMSE) entre les observations et chaque modèle peut être utilisée pour produire un classement global pour les simulations de modèle du climat nord-américain. La figure B. 1 montre comment cette métrique est influencée par différentes variables de composant. Ce qui suit est un exemple numérique simple qui illustre comment les calculs de cette méthode peuvent être effectués. En tant que données, nous utilisons les mêmes valeurs numériques que dans l`exemple numérique décrit pour le modèle de somme pondérée. Ces données numériques sont répétées ensuite pour faciliter la référence. Si un modèle manifestement non physique est ajouté à l`archive, les estimations de moyenne et de signification résultantes ne devraient pas non plus changer. Dans l`expression précédente, le terme P (AK) désigne la valeur de performance totale (c.-à-d., pas une relative) de l`AK alternatif lorsque tous les critères sont pris en compte simultanément sous le modèle WPM. Ensuite, lorsque les données précédentes sont utilisées, exactement le même classement est dérivé. Certaines propriétés intéressantes de cette méthode sont discutées dans le livre 2000 de Triantaphyllou sur MCDA/MCDM.

[3] dans ce cas, nous avons la réplication dans les données, nous pouvons donc ajuster le modèle d`alimentation $ $ begin{eqnarray} ln{(hat{sigma}_i ^ 2)} & = & ln{(gamma_1x_i ^ {gamma_2})} & & & & = & ln{(gamma_1)} + gamma_2ln{(x_i}) end{eqnarray} $ $ pour les écarts de chaque ensemble de réplique dans les données et utilise $ $ w_i = frac{1}{x ^ {hat{gamma}_2}_i} $ $ pour les pondérations. Nous illustrons l`application de cette méthode aux projections futures du changement de précipitations dans le scénario le plus élevé (RCP 8.5) de la figure B. 3. Les pondérations utilisées dans le rapport sont choisies pour être conservatrices, minimisant le risque de confiance excessive et maximisant les compétences prédictives hors échantillon pour les projections futures. Il en résulte (comme dans la figure B. 3) seulement des différences modestes dans les cartes pondérées et non pondérées. Il est démontré dans l`arrêt Sanderson et al. 20172 qu`une stratégie de pondération plus agressive, ou axée sur une variable particulière, tend à montrer une contrainte plus forte sur les changements futurs par rapport au cas non pondéré. Il est également notable que les compromis existent entre les compétences et la réplication dans les archives (voir la figure B. 2), de sorte que la pondération pour la compétence et l`unicité a un effet compensateur.

This entry was posted in Uncategorized by admin. Bookmark the permalink.

Comments are closed.